5

我有一个现有的模型，我在其中加载一些预训练的权重，然后在 pytorch 中进行预测（一次一张图像）。我正在尝试将其基本上转换为 pytorch 闪电模块，并且对一些事情感到困惑。

所以目前，我__init__的模型方法如下所示：

self._load_config_file(cfg_file)
# just creates the pytorch network
self.create_network()  

self.load_weights(weights_file)

self.cuda(device=0)  # assumes GPU and uses one. This is probably suboptimal
self.eval()  # prediction mode

我可以从闪电文档中收集到的信息，我几乎可以做同样的事情，除了不cuda()打电话。所以像：

self.create_network()

self.load_weights(weights_file)
self.freeze()  # prediction mode

所以，我的第一个问题是这是否是使用闪电的正确方法？闪电如何知道它是否需要使用 GPU？我猜这需要在某处指定。

现在，对于预测，我有以下设置：

def infer(frame):
    img = transform(frame)  # apply some transformation to the input
    img = torch.from_numpy(img).float().unsqueeze(0).cuda(device=0)
    with torch.no_grad():
        output = self.__call__(Variable(img)).data.cpu().numpy()
    return output

这是让我感到困惑的一点。我需要重写哪些函数才能进行与闪电兼容的预测？

此外，目前，输入是一个 numpy 数组。这是闪电模块可以实现的，还是总是需要使用某种数据加载器？

在某些时候，我想扩展这个模型实现来进行训练，所以想确保我做对了，但是虽然大多数例子都集中在训练模型上，一个简单的例子是在生产时对单个图像进行预测/数据点可能有用。

我在 GPU 上使用 0.7.5 和 pytorch 1.4.0 和 cuda 10.1

4

1 回答 1

8

LightningModule是一个子类，torch.nn.Module所以同一个模型类将同时用于推理和训练。cuda()出于这个原因，您可能应该eval()在__init__.

因为它只是nn.Module底层，一旦你加载了你的权重，你就不需要重写任何方法来执行推理，只需调用模型实例。这是您可以使用的玩具示例：

import torchvision.models as models
from pytorch_lightning.core import LightningModule

class MyModel(LightningModule):
    def __init__(self):
        super().__init__()
        self.resnet = models.resnet18(pretrained=True, progress=False)
    
    def forward(self, x):
        return self.resnet(x)

model = MyModel().eval().cuda(device=0)

然后要实际运行推理，您不需要方法，只需执行以下操作：

for frame in video:
    img = transform(frame)
    img = torch.from_numpy(img).float().unsqueeze(0).cuda(0)
    output = model(img).data.cpu().numpy()
    # Do something with the output

PyTorchLighting 的主要好处是，您还可以通过实现training_step(),configure_optimizers()和train_dataloader()在该类上使用相同的类进行训练。您可以在PyTorchLightning 文档中找到一个简单的示例。

于 2020-07-25T13:29:13.490 回答